搜索
Deepnote发布Agent Initiative Benchmark评测称，OpenAI包揽前二，GPT-6.1 Sol以8.65分、每任务0.11美元成为性价比最高者，Anthropic Fable 5.2成本高17倍但得分更低。
Coding Agent写代码的能力越来越强，写测试的能力也在同步提升。从为函数补单元测试、为GitHub Issue编写复现用例，到为整个代码仓库构建回归测试，Codex、Claude Code等前沿Coding Agent已经能够浏览仓库、修改实现，并借助执行反馈不断修正测试。
阿里数据团队基于117个模型技术报告筛选158个评测基准，提出基准健康指数（BHI），按能力区分度、抗饱和度和影响力诊断基准，论文获NeurIPS 2026 Evaluations and Datasets Track（Oral）录用，Humanity's Last Exam（HLE）综合第一。
葬AI发起开源Benchmark社区，计划陆续开源真实任务与环境评测Bench，主张国产模型停止刷AA榜并按细分赛道建立自己的标准。
Coding Agent正在进入新的发展阶段。过去，它们主要修复Bug、解决GitHub Issue或实现相对独立的功能，SWE-bench等Benchmark已为此建立了成熟评测范式；如今它们开始承担从完整代码仓库生成、跨语言迁移，到需要持续探索与验证的长周期软件工程项目，任务规模和执行时间不断增长，单个Agent的上下文容量、推理能力和执行效率逐渐成为限制。
南芥智能发布模型群体智能技术报告，披露Mio 1.0 Lite在9个公开benchmark中平均得分77.15/100居首、平均每请求成本0.06元最低，其SinapisAI平台已公测并收录484个模型。
苹果与卡内基梅隆大学团队提出SSR（Selection-based Structured Reasoning），让多模态搜索Agent从预定义选项中选择推理，在7个benchmark上将每轮推理延迟降低超90%，同时保持相当的任务成功率。
美国个人AI助理创企Tab公开亮相约六周后估值达3亿美元，但Assistant Benchmark测试显示其预订、旅行和购物任务仍易因网站限制及支付风控失败。
Opus 5.5通过MV、3D游戏和机械沙虫等案例展示出编排完整创作流程的能力，文章指出爆款Demo正成为观察模型的新benchmark，但应结合时间、成本、工具与修改过程判断其成熟度。
BenchJack 之后，reward hacking 检测还缺什么？ Agent 在 benchmark 上拿到高分，未必真正完成了任务。它也可能利用评测或奖励机制中的漏洞，绕开题目要求来提高得分。